第四范式陈雨强：如何利用高维度的AI解决商业难题？

本篇文章3848字，读完约10分钟

雷锋。4月21日，由中国资产管理协会主办的2017金融科技高峰论坛在杭州举行。“人工智能在维度上胜出。”第四范式创始人之一、首席研究科学家陈玉强在会上表示:“未来的商业运作需要更高的维度。规模的上升将提高人工智能能力，使企业能够解决更复杂的问题，提高企业。效率，从而提高企业的竞争力，争取更多的客户，提供更好的服务。”

据雷(公开号:雷锋网)介绍，陈玉强曾在百度冯超主持建设世界上第一个商业深度学习系统，并主持设计了当今中国用户数量最多的新媒体人工智能推荐系统。

那么，更高的维度是什么？如何提高企业运营效率？如何用人工智能解决更复杂的问题？雷锋。com编辑了演讲全文如下:

人工智能在维度上胜出亚马逊是北美最大的在线零售商，沃尔玛是世界上最大的连锁超市。近年来，亚马逊增长良好，增长率高达50%-60%，最低约为10%，而沃尔玛的增长一直停滞不前，有时甚至出现负增长。那么为什么两者之间有如此大的差异呢？

客户复杂性沃尔玛是一家劳动力密集型的超市，全球员工超过10万人，而亚马逊是技术密集型的。亚马逊员工的平均年收入为621，000美元，而沃尔玛员工的平均年收入仅为220，000美元，相差三倍，这代表了两者之间的效率差异。在这种情况下，亚马逊的增长速度将越来越快，这将日益侵蚀沃尔玛的市场份额。这是不是意味着沃尔玛是一个新手公司，还是在互联网时代易受攻击？

事实上不是。从某种角度来说，沃尔玛是数据挖掘的先驱。早在20年前，沃尔玛就以啤酒和尿布为典型例子，对数据挖掘进行了探索和研究。

为什么沃尔玛在互联网上落后了？我们发现沃尔玛是基于位置推荐，而亚马逊是基于用户推荐。后者需要成千上万的人。每个人在亚马逊上看到的主页、搜索页面和推荐页面是不同的，这导致两个员工的平均年收入相差三倍。亚马逊解决了一个更复杂的问题，因此增长率和市场价值都有了很大提高。沃尔玛曾经是零售业的领导者，但亚马逊在2014 -2015年间以指数速度超过沃尔玛，成为世界第一。

库存管理的复杂性不仅如此，而且亚马逊和沃尔玛的商场或库存管理在复杂性上也有很大差异。

亚马逊制造了一个kiva机器人，它可以自动将货架运送到拣选机，拣选机可以挑选并包装要包装的货物。另一方面，沃尔玛有n个只有一个货架的分销商。这两个问题的复杂性也大不相同。

运营效率如今，运营效率变得越来越重要。在传统行业中，赌马是重中之重，互联网时代也是如此。对于一些传统行业来说，移动互联网和互联网只是增加了一个新的渠道，但他们仍然以愉快的方式做事。当我们这样做的时候，我们只需要得到60分就可以满足客户的基本需求，然后尽力获得最大的市场，获得市场和市场增长带来的红利。然而，随着市场的日益饱和，押马模式逐渐失败。例如，空零售业的总体增长一直很小，其余的都只是相互竞争的过程。此时，如果某人从60分中获得80分，他们可以将其他公司的客户转变为自己的客户。因此，在未来，运营效率代表着企业的核心竞争力。

综上所述，企业的运营效率在未来将变得至关重要。我们可以通过解决更复杂的问题来提高操作效率，而当解决复杂的问题时，人工智能需要BLACKPINK。

人工智能如何影响企业效率人工智能并不那么复杂，事实上，它使用数据来解决问题。就数据而言，传统方法首先要做的是分析数据。数据按照“28条原则”进行分配，大部分集中在头部。传统的分析方法会先去除所有的尾部数据，因为尾部数据太多太乱，不能用传统的规则来分析，而头部数据会有几十个特征或规则。

这个人工智能问题有什么问题？数据的价值还没有完全发挥出来。

以证券公司为例，如果拥有10万客户和1亿客户的证券公司只使用头部的客户数据特征，那么两个公司在客户数据分析的结论上没有区别，这无非是人们喜欢什么年龄、性别和教育背景的产品。然而，如果我们能使用更多的特征和分析更多的细分群体，两者的结论就会大相径庭。一家拥有1亿客户的基金公司可能会发现一个由100人组成的群体，他们的特征和偏好是一致的，因此公司可以在此基础上进行准确的营销。然而，在只有10万用户的基金公司里，这100个客户只有一两个人，无法得出可信的结论。

只有当所有的数据都被尽可能仔细地使用和分析时，数据量才能成为一个障碍，而由大量数据产生的价值才能大于少量数据产生的价值。

我曾经在今天的头条和百度蜂窝工作。当时，今天的头条是数千万人的日常生活，功能的总量约为几十亿至数百亿，这意味着每个用户都有数百个标签，公司可以准确区分用户周二早上上班路上喜欢看什么新闻，或者周五晚上下班后深夜在家喜欢看什么新闻，因此推荐效果可能非常好。百度的搜索广告也类似。我们有一个非常好的描述组合，什么样的人会在什么样的搜索关键词下看。每天都有数千万个新广告，每天都有数千万人生活。在如此复杂的场景中，当用机器来描绘时，会有大量的特征和规则。

高维度对业务的影响

2012年，facebook上市，但上市四个月后，其股价持续下跌。当时，我们与facebook在该市的广告技术同事聊天，发现facebook仅使用了大约2000个维度的特征来描述用户，但完全不可能预测一个人点击广告的概率或他在任何场景中想要购买什么。

2013年和2014年，大量谷歌广告和算法工程师加入facebook从事广告业务。他们当时制造了2000维系统2000亿维，相当于增加了1亿倍。从2013年底到2014年初，facebook的股价一路攀升，走上了传奇之路。维度对于整个facebook的收入增长非常重要。

在全国性商业银行的信用卡中心，每天大约有数百万笔交易。在这些交易通过风险控制后，由银行决定是否让某个人进行交易。例如，对于那些可以分期付款交易的人来说，每天有一百万人，他们可以通过短信进行营销。但是如何瞄准这群人呢？

首先，分解分级目标，将用户收入分解为短信发送量×短信响应率×分级率。通过短信发送历史，我们可以知道每个用户最终是否处理了交易分期，并在此基础上建立一个预测模型。这样，在发送短消息之前，我们就可以在收到它之前知道用户的概率，并进一步优化响应速度。这种数据并不多，但也是当时银行里最大的人工智能数据。当时，使用了2t数据，历史上发送的短信约有4000万条。我们从中提取了许多特征，包括短信信息、账户信息、持卡人、卡、交易信息等。，总共有5000万个维度的信息，最终响应率增加了68%，收入增加了61%。

传统模型和人工智能模型的区别传统模型和人工智能模型有一些本质的区别。

尺寸是最大的区别。以拼车问题为例，我们发现pos机拼车的概率特别高，而且这个pos机来自一个小的母婴店，对于专家来说这不是一个特别复杂的问题。然而，问题是这家母婴店很小，每天有100，200人。中国有成千上万家这样的妇幼商店。专家无法逐一分析这种母婴商店，但机器可以，这是机器的优势。只要我们能把问题变得足够复杂，这台机器就能分析每一个维度。

另一方面，迭代自学习。传统的专家规则是预先确定的，可以每隔一段时间进行调整，如半年或一年。但很难改变，一方面，成本很高；另一方面，调整需要与原有规则兼容并增加新的规则，这是一件非常艺术的事情。但是对于机器学习和人工智能模型，很容易在高维空间中添加新的特征和规则。就像阿尔法戈每次下棋都会拿回棋谱一样，它也会提高下棋的能力。

此外，人工智能可以用于电子商务推荐、智能财务管理、差异化定价、信用、阅读、智能客户服务和个性化定制产品。因此，人工智能的价值非常大，而想象中的空也非常大。未来问题的解决需要高维，复杂模型和高维模型被用来解决高维问题。这个理论是以科学为基础的。

两位科学家vapnik和chervonenkis提出了“vc”理论来描述模型中函数的复杂性。功能的复杂性可以和人脑中神经元的数量相比。如果有更高的" vc "维度和更高的功能能力，则被比作更多的神经元，这意味着更强的智能能力。例如，人脑中的脑细胞数量比老鼠中的多得多，所以人比老鼠聪明得多。因此，在未来复杂的形势下，我们应该不断完善" vc "维度，这样企业的运营效率才能不断提高。

最近，图像深度学习的发展日新月异。从2010年到2016年，图像识别的错误率在下降。2016年，错误率达到了3.1%，而做同样图片识别的人的错误率是5%。也就是说，2016年以后，对于标准的数据库图片，计算机的识别能力要高于人。在这些成就的背后，从2010年到2015年，图像识别的维度从几十万个维度上升到几亿个维度，更高的维度极大地改善了整体效果。

综上所述，在未来的业务运作中，有必要有一个更高的维度，而vc维度的兴起将增强人工智能能力，从而使企业能够解决更复杂的问题，提高企业效率，进而增强企业竞争力，抓住更多的客户，提供更好的服务。

人工智能在维度上胜出。

基于此，有五个要素构成人工智能土地。首先，必须有一个清晰的业务定义；其次，它需要持续的外部反馈。例如，alphago需要不断地与人下棋，而持续的输入需要外部反馈；第三，它需要强大的外部资源；第四，需要顶尖的数据科学家；第五，需要大数据。大数据加上机器学习等于人工智能。

相关文章:

加拿大如何成为继美国之后的下一个人工智能金矿？

ibm人工智能技术的商业化现状:它已经渗透到60多个专业领域

人工智能能完全取代顶级销售人员吗？

易道·智伯:我们如何使用人工智能来实现业务自动化和盈利

雷锋原创文章。严禁擅自转载。详情请参考转载说明。

来源：搜狐微门户